为什么进来模型.evaluate()Keras的损失用于计算准确度?

这也许是个愚蠢的问题,但是:

我注意到损失函数的选择修改了评估过程中获得的准确度。

我认为损失只是在训练过程中使用的,当然,它取决于模型在做出预测时的优点,而不是准确度,即正确预测的数量超过总样本数。

EDIT

我没有正确地解释我自己。

我的问题来了,因为我最近训练了一个模特 binary_crossentropy 但这是不对的! 我检查“手动”和模型得到44%的总预测。然后我改成了 categorical_crossentropy 然后准确度是正确的。

MAYBE ANSWER 发件人: another question

我发现了问题。metrics=['accuracy']根据成本函数自动计算准确度。所以用二元交叉熵表示二元精度,而不是分类精度。使用分类熵会自动切换到分类精度,现在它与使用model1.predict()手动计算的结果相同。